IA: dos detalhes do sensor ao monitoramento inteligente
Publicados: 2022-01-18
A engenharia de sensores está evoluindo e ficando muito mais exata. Os benefícios adicionais disso para as organizações são óbvios, por exemplo, a resolução aprimorada do piso criará um conhecimento muito mais preciso. Dito isto, os factos em causa são um desafio. Assim como o know-how está aumentando, também aumenta o volume de conhecimento que é criado. Esses dados devem ser gerenciados adequadamente para ajudar a informar os procedimentos da empresa.
A solução para navegar pelos detalhes está na automação e na inteligência artificial (IA). A automação consiste em uma série de algoritmos, que se destinam a realizar ações mecanicamente baseadas principalmente em instruções inseridas. A IA é uma parte fundamental desse procedimento, pois garante que os procedimentos automatizados continuem intuitivos. A consequência é que os tratamentos impulsionados pelo conhecimento podem ser aplicados sem nenhuma conversa humana, o que reduz o estresse nas empresas, pois libera uma parte substancial do tempo.
Produzindo senso de informação do sensor
O know-how tecnológico do sensor é utilizado para descobrir objetos. Isso é um desafio porque há muitas variáveis que podem afetar o conhecimento estabelecido, de modo que a abordagem automatizada pode ter dificuldades. A dificuldade é que os algoritmos não podem ser totalmente desenvolvidos para quase todas as variáveis.
Foram produzidas soluções para essa preocupação que dependem de unidades de IA projetadas para gerenciar muito melhor os enormes volumes de informações produzidas por tecnologias de sensores. As aplicações de vida séria disso incorporam métodos de aviso de saída de faixa e reconhecimento de indicadores de tráfego do site.
Existem três tipos de resultados de aplicativos de IA para sensores e as informações geradas por eles. Inicial, existe uma classificação de item que determina se um objeto está atualizado em uma impressão. Depois, há o reconhecimento de objetos no qual um único objeto ou objetos adicionais são detectados em uma imagem e seu lugar é decidido. E, finalmente, há a segmentação de objetos que preenche os contornos reais do item.
No entanto, a complexidade do sistema aumenta desde a classificação de objetos até a segmentação. Técnicas muito mais intuitivas terão que ser utilizadas para lidar adequadamente com os efeitos de muitas variáveis nos conjuntos de informações.
O objetivo das redes neurais
A IA é um período de tempo abrangente para a engenharia que permite que os dispositivos entendam sua configuração e se adaptem aos ajustes que acontecem lá. Na IA, o Estudo de Equipamentos é um subconjunto que utiliza métodos estatísticos para permitir que os equipamentos façam melhorias em seu desempenho geral sem serem explicitamente programados. Muito mais intuitivo, no entanto, é o Deep Learning, que é um subconjunto do Equipment Studying. O Deep Mastering pode processar grandes quantidades de detalhes trabalhando com Deep Neural Networks (DNNs).
Essas redes neurais são críticas para a classificação de itens na tecnologia de sensores. Apesar do fato de que várias redes neurais podem ser usadas, todas elas têm atributos específicos em comum que influenciam como eles dominam a interpretar e agir sobre os detalhes do sensor.
Inicial, todas as redes neurais precisam ser qualificadas. Para classificar, descobrir ou segmentar objetos, as redes devem ser instruídas sobre como lidar com diferentes lições de itens. As redes são especializadas em ilustrações ou fotos conhecidas, onde os objetos são devidamente rotulados até que a rede possa classificar, realizar e seccionar todos os objetos da maneira correta.
As redes neurais não são infalíveis. A consequência da análise da comunidade neural expressa uma chance compartilhada de que um objeto seja identificado com precisão. Quanto maior a proporção de chance, mais segura é a IA de uma asserção selecionada. Dito isso, considerando o fato de que 100 por cento quase nunca é obtido, é importante pensar em uma porcentagem de probabilidade que seja maior o suficiente para ser utilizada nos processos da empresa.
Diferentes projetos de redes neurais têm casas diferentes. Por exemplo, alguns estilos de comunidade podem ser educados muito rapidamente, mas fornecem porcentagens de chance mais baixas quando se trata de avaliação de objetos. Como regra, quanto mais elaborada e demorada for a instrução de uma comunidade neural, mais confiável ela será. Por esse motivo, as organizações que aplicam o know-how precisam decidir se desejam priorizar a velocidade ou a confiabilidade.
Adquirindo o palco (nuvem)
Diferentes modelos de redes neurais também são exigidos dependendo se visuais, videoclipes ou nuvens de posição são usados pelo sensor. Uma nuvem de problemas é um conjunto de pontos de detalhes internos que representam uma condição ou objeto 3D. Para desenvolver uma nuvem de problemas, o know-how de digitalização a laser é utilizado. Quase todas as edições incluem uma grande quantidade de informações que podem ser incorporadas a outras fontes de conhecimento ou empregadas para criar estilos 3D.
Existem versões de comunidades neurais específicas para nuvens de problemas que atendem às necessidades distintas do conteúdo da informação. Por exemplo, para um estudo realizado pela United Kingdom Network Rail, foi desenvolvida uma nuvem de palco de uma parte de rota prolongada de cerca de 90 km que proporcionou o reconhecimento de 18 classes de objetos.
O principal obstáculo oferecido por este trabalho estava no registro de detalhes, como várias jornadas de digitalização experimentadas para serem conectadas para obter coisas úteis. A excelente classificação dos itens pela rede neural variou para as aulas de itens pessoais de acordo com as qualidades geométricas do objeto. Por exemplo, postes de energia e viadutos foram rapidamente identificados pela rede neural, mas as distinções entre as superfícies, para ilustração das formas das paredes, não eram confiáveis.
Nuvens de problemas também podem ser usadas em um processo híbrido onde o know-how tecnológico é combinado com outros métodos, como dispositivos de estilo auxiliado por computador (CAD) e outros tipos de mapeamento. Isso é particularmente precioso quando empregado em combinação com redes neurais para auxiliar no levantamento automatizado e decidir o uso da terra mencionado anteriormente. Os sistemas híbridos são mais responsáveis por tarefas como detectar superfícies do que o conhecimento de nuvem de pontos por conta própria.
Conclusão auxiliar para resultados muito melhores
Todas essas tecnologias baseadas em IA têm benefícios adicionais exclusivos, principalmente com base nas responsabilidades que elas resolvem. Por outro lado, o que a classificação de objetos, nuvens de palco e modelos híbridos têm com frequência é que eles são sustentados pelo propósito de suporte da IA.
A IA ajuda os seres humanos a fazer seleções vitais mais rapidamente e com percepção adicional. No exercício, este é o melhor dos dois mundos, na medida em que permite o raciocínio humano na direção de questões que talvez possam ter contextos sociais, políticos ou empresariais, mas aumenta o método de construção de determinação, permitindo dados empurrados conclusões baseadas no que está sendo captado pelo sensor.
Os sensores fornecem grandes porções de informações. Dentro desses fatos estão insights acionáveis que podem ser usados em todos os setores para aumentar os procedimentos da empresa. No entanto, também há muitos dados gerados para fornecer essas informações em tempo hábil por indivíduos - desbloquear isso consiste em um método de IA por meio de redes neurais para aumentar os processos de criação de decisões finais humanas. Uma vez realizada, essa tecnologia gerará melhorias na organização e no governo, com os pioneiros garantindo a oportunidade máxima de seus investimentos em sensores.
Dean McCormick, chefe de opções de verificação inteligente, divisão básica de segurança, infraestrutura e geoespacial da Hexagon